人脑是世界上最复杂的网络系统,脑神经纤维结构及其在各区域之间的连接特性能够体现大脑的各种功能特性及病变信息。研究人脑神经纤维束成像方法有助于理解人脑的微结构,在人脑功能研究及脑相关疾病研究等方面具有重要价值。扩散张量成像是最早出现且目前仍广泛采用的能够在活体上对组织纤维结构进行检测的无创方法,但该方法在存在纤维交叉、分叉等复杂纤维结构的区域无法得到正确结果。为了克服扩散张量成像的局限性,已提出了多种方法,这些方法大多通过采集更多扩散梯度方向和扩散敏感因子的扩散加权数据来获得扩散的细节信息,由于采集时间和硬件限制使得这些方法难以用于临床。目前,仅有少数方法能够在低角分辨率扩散成像条件下重建复杂纤维结构,但对噪声十分敏感。本课题围绕脑神经复杂纤维结构重建这一主题,以提高在低角分辨率扩散成像条件下复杂纤维结构重建的准确性为目标,研究体素内复杂纤维结构估计方法和复杂纤维路径重建方法。体素内纤维结构估计是纤维路径重建的基础,其准确性直接影响纤维路径重建结果的可信度。在低角分辨率扩散成像条件下,扩散加权图像信噪比低的特点更加突出,如何改善体素内纤维结构估计方法的抗噪性能,提高体素内纤维结构估计的准确性对纤维结构重建至关重要。复杂纤维路径重建是提取和描述纤维连接关系的前提,如何根据体素内纤维结构估计的结果,克服其估计误差的影响,准确重建复杂纤维路径是复杂纤维结构重建领域的难点。本课题针对现有方法在体素内复杂纤维结构估计和复杂纤维路径重建问题中存在的不足展开研究,并提出相应的解决方案。本文主要研究工作如下:(1)针对低角分辨率扩散成像条件下现有方法易受噪声影响的问题,提出基于多张量场平滑的体素内纤维结构估计方法。该方法首先对多张量表示的体素内纤维结构进行初始估计,然后根据多张量场的属性,考虑邻域体素之间的纤维结构关系,构造权值方案,对扩散加权数据进行加权平滑,进而根据平滑后的数据重新进行估计得到平滑的多张量场。在数值仿真数据、仿真实体数据和真实人脑数据上的实验结果表明,本文提出的方法能够在有效平滑多张量场的同时保持复杂纤维结构特征,从而提高体素内复杂纤维结构估计的准确性。(2)针对简单正则项难以充分表达复杂纤维结构的先验信息的问题,提出一种非凸正则盲压缩传感方法估计体素内复杂纤维结构,该方法基于多张量模型,将扩散加权信号建模为一系列非固定参数的张量重建基函数的稀疏线性组合,采用盲压缩传感方法同时求解稀疏系数和重建基的参数。同时,在模型中引入根据邻域体素纤维结构关系构造的非凸正则项,以提高抗噪性能。在数值仿真数据、仿真实体数据和真实人脑数据上的实验表明所提出的方法能够在低角分辨率扩散加权数据上较好的估计体素内纤维结构,且该方法具有抗噪性强、估计结果的平均角度误差低、对重建基参数的初始值不敏感的特点。(3)针对基本流线型追踪方法存在的三类典型问题(“断线”、“偏离”、“弯折”),在分析其产生原因的基础上,提出一种束限制流线型追踪方法进行复杂纤维路径的重建。该方法基于局部纤维平滑假设,首先,在纤维追踪时将前进方向限制在一定范围内,避免出现过大方向偏转导致“断线”;其次,在确定纤维前进方向时考虑邻域相关纤维的平均走向,避免出现较大方向偏转导致“偏离”;最后,引入纤维平滑机制,尽量消除“弯折”现象。在数值仿真数据、仿真实体数据和真实人脑数据上的实验结果表明,本文提出的改进方法能够有效提高复杂纤维路径重建的准确性。